LLM без навыков? Почему это миф о «простом» ИИ

«Просто попроси — и всё получится»: опасный миф о нейросетях

В конце июня 2026 года технологический блогер и разработчик Саймон Уиллисон (Simon Willison) опубликовал короткую, но ёмкую цитату от Тимоти Б. Ли (Timothy B. Lee) — журналиста и автора популярного информационного бюллетеня Understanding AI. Цитата попала в точку настолько метко, что мгновенно разлетелась по технологическому сообществу.

«Это всё равно что говорить, что управлять командой не нужно учиться — ведь сотрудники просто делают всё, что им скажешь». — Тимоти Б. Ли, о тезисе, что LLM не требуют навыков и кривой обучения

Одна фраза — а сколько смысла. Давайте разберём, почему она так точно описывает реальность работы с большими языковыми моделями (LLM, Large Language Models).

Кто такой Тимоти Б. Ли и почему его мнение важно

Тимоти Б. Ли — автор с учёной степенью в области компьютерных наук, который пишет подробные объяснения о том, как работает ИИ. Он ведёт информационный бюллетень Understanding AI и ранее работал репортёром в Ars Technica, Vox и Washington Post. Это не диванный критик: человек годами следит за развитием отрасли и умеет отделять маркетинг от реальности.

По мнению самого Ли, LLM всё ещё имеют существенные слабые стороны, хотя темп прогресса за последние пять лет поражает воображение.

Аналогия с менеджером: почему она так точна

Представьте себе такую ситуацию. Вам говорят: «Стать хорошим менеджером легко — просто раздавай задачи, и сотрудники всё сделают». Звучит абсурдно, правда? Любой, кто хоть раз руководил людьми, знает: нужно уметь формулировать задачи, учитывать контекст, проверять результаты, давать обратную связь, разрешать конфликты интерпретаций.

Именно то же самое происходит при работе с LLM. Модель — это не волшебная кнопка «сделай хорошо». Это мощный, но требовательный инструмент, который реагирует на качество вашего взаимодействия с ним.

Что такое prompt engineering и почему это настоящий навык

Prompt engineering (проектирование подсказок) — это искусство и наука составления запросов к LLM таким образом, чтобы получить максимально точный, полезный и релевантный результат.

Prompt engineering представляет собой критически важный «узкий» навык для раскрытия полного потенциала LLM при решении сложных задач — он требует специализированной экспертизы, значительного количества итераций и ручного вмешательства.

Производительность LLM при выполнении конкретных задач сильно зависит от качества предоставляемых инструкций — промптов. Термин «prompt engineering» стал широко употребляться именно потому, что работа с подсказками превратилась в важный навык для полноценного использования этих моделей.

Что включает в себя prompt engineering

Prompt engineering требует сочетания технической точности и творческого подхода, охватывая как технические, так и нетехнические навыки. В частности:

• Промпт-инжиниринг — это создание входных запросов или инструкций для получения более точных результатов от LLM. Это ключевой навык для работы с AI-приложениями, помогающий достигать лучших результатов от языковых моделей.
• Чтобы извлечь надёжные результаты рассуждений из LLM, промпты должны содержать чёткие инструкции: нужно указывать задачу и тип требуемого рассуждения, например: «Проанализируй причины X» или «Реши это шаг за шагом». Следует избегать любой двусмысленности.
• Примеры (few-shot learning) помогают демонстрировать паттерны рассуждений через образцы задач — это помогает модели «научиться» думать шаг за шагом.

Исследования подтверждают: кривая обучения реальна

Это не просто философские рассуждения — данные подтверждают тезис Ли.

Без специальной подготовки неэксперты часто допускают ошибки: упускают требования или формулируют противоречивые условия в промптах. Даже опытным специалистам нужно много итераций, чтобы улучшить свои требования для сложных задач LLM.

Исследования показывают, что новички действительно не могут приобрести навыки формулировки требований только через стандартное обучение промптингу. Участники экспериментов подтвердили гипотезу: навыки составления требований не возникают естественным образом.

Несмотря на непрерывное развитие технологий LLM, способность создавать эффективные и чёткие промпты становится всё более важной.

Кривая обучения LLM: от новичка к эксперту

graph TD
    A[🙋 Новичок\nПростые вопросы без контекста] --> B[📝 Базовый уровень\nДобавление роли и формата]
    B --> C[🔧 Средний уровень\nFew-shot, Chain-of-Thought]
    C --> D[⚙️ Продвинутый уровень\nSystems prompts, RAG, агенты]
    D --> E[🏆 Эксперт\nАвтоматизация, fine-tuning, оценка качества]
    A -.->|"Миф: 'Всё просто'"| E
    style A fill:#f9c74f
    style E fill:#43aa8b

Как видно из схемы, путь от первого запроса до уверенного применения LLM в профессиональных задачах — это несколько уровней освоения, каждый из которых требует времени и практики.

Сравнение: менеджер vs. пользователь LLM

Аналогия Тимоти Б. Ли работает потому, что оба случая описывают управление мощным, но непредсказуемым ресурсом:

Почему миф о «простоте» вреден

Миф о том, что LLM не требуют навыков, опасен сразу на нескольких уровнях.

1. Завышенные ожидания → разочарование Когда человек впервые получает плохой результат от нейросети и делает вывод «это бесполезная игрушка» — он просто не умеет с ней работать. Как новичок, решивший, что управлять командой легко, и провалившийся на первом же проекте.

2. Профессиональные риски Если человек просто хочет симулировать компетентность, не развивая реальных навыков, — деградация мышления наступит значительно быстрее обычного. Есть реальный риск, что целые поколения не смогут развить опыт, необходимый для использования ИИ как помощника, а не как костыля.

3. Потеря конкурентного преимущества Промпт-инженеры должны обладать знаниями в области ИИ (22,8%), навыками проектирования промптов (18,7%), хорошими коммуникационными способностями (21,9%) и навыками творческого решения задач (15,8%). Эти навыки — реальное конкурентное преимущество на рынке труда.

Что делать: практические шаги к освоению LLM

Улучшения в LLM-моделях и новые стратегии промптинга могут упростить задачу создания запросов, убирая некоторые непредсказуемые особенности. Тем не менее, как и в разработке программного обеспечения или проектировании требований, умение формулировать собственные запросы, особенно к искусственным системам, скорее всего, сохранит или увеличит свою значимость по мере распространения генеративного ИИ.

Вот конкретный план развития навыков:

1. Начните с основ контекста — всегда указывайте роль, цель и аудиторию в запросе.
2. Изучите chain-of-thought — просите модель «думать вслух», шаг за шагом.
3. Практикуйте итерации — не принимайте первый ответ как финальный, уточняйте.
4. Анализируйте ошибки — когда модель ошибается, разберите, чего не хватало в запросе.
5. Читайте кейсы — сообщество промпт-инженеров активно делится эффективными паттернами.

Выводы

Цитата Тимоти Б. Ли, которую Саймон Уиллисон отметил в своём блоге, — это не просто остроумное высказывание. Это точный диагноз распространённого заблуждения.

LLM — это как высококвалифицированная команда: они способны на невероятные вещи, но только если вы умеете с ними работать. Хаотичные, расплывчатые указания дают хаотичные результаты — что в управлении людьми, что в управлении нейросетями.

По мере приближения ИИ к общему искусственному интеллекту умение раскрывать возможности reasoning через prompt engineering становится ключевым навыком для разработчиков, инженеров и технических руководителей.

Кривая обучения у LLM есть. И чем раньше это осознать — тем быстрее начнётся реальный прогресс.

Оригинальная цитата опубликована 26 июня 2026 года в блоге Саймона Уиллисона.